Python网络爬虫(selenium基本使用)
一、selenium简介
selenium最初是一个自动化测试工具,而爬虫中使用它主要是为了解决requests无法直接执行JavaScript代码的问题 selenium本质是通过驱动浏览器，完全模拟浏览器的操作，比如跳转、输入、点击、下拉等，来拿到网页渲染之后的结果，可支持多种浏览器
二、环境安装
- 下载安装selenium：pip install selenium
- 下载浏览器驱动程序：
- http://chromedriver.storage.googleapis.com/index.html
- 查看驱动和浏览器版本的映射关系：
- http://blog.csdn.net/huilan_same/article/details/51896672
三、简单使用/selenium测试
from selenium import webdriver from time import sleep # 后面是你的浏览器驱动位置，记得前面加r'','r'是防止字符转义的 driver = webdriver.Chrome(r'驱动程序路径') # 用get打开百度页面 driver.get("http://www.baidu.com") # 查找页面的“设置”选项，并进行点击 driver.find_elements_by_link_text('设置')[0].click() sleep(2) # # 打开设置后找到“搜索设置”选项，设置为每页显示50条 driver.find_elements_by_link_text('搜索设置')[0].click() sleep(2) # 选中每页显示50条 m = driver.find_element_by_id('nr') sleep(2) m.find_element_by_xpath('//*[@id="nr"]/option[3]').click() m.find_element_by_xpath('.//option[3]').click() sleep(2) # 点击保存设置 driver.find_elements_by_class_name("prefpanelgo")[0].click() sleep(2) # 处理弹出的警告页面 确定accept() 和 取消dismiss() driver.switch_to_alert().accept() sleep(2) # 找到百度的输入框，并输入 美女 driver.find_element_by_id('kw').send_keys('美女') sleep(2) # 点击搜索按钮 driver.find_element_by_id('su').click() sleep(2) # 在打开的页面中找到“Selenium - 开源中国社区”，并打开这个页面 driver.find_elements_by_link_text('美女_百度图片')[0].click() sleep(3) # 关闭浏览器 driver.quit()
四、创建浏览器对象(句柄)
Selenium支持非常多的浏览器，如Chrome、Firefox、Edge等，还有Android、BlackBerry等手机端的浏览器。另外，也支持无界面浏览器PhantomJS。
from selenium import webdriver browser = webdriver.Chrome() # 谷歌浏览器 browser = webdriver.Firefox() # 火狐浏览器 browser = webdriver.Edge() #IE 浏览器 browser = webdriver.PhantomJS() # 无可视化界面的浏览器(无头浏览器) browser = webdriver.Safari() # 苹果macOS中浏览器
五、元素定位
webdriver 提供了一系列的元素定位方法，常用的有以下几种：
find_element_by_id() # 通过元素ID定位
find_element_by_name() # 通过元素Name定位
find_element_by_class_name() # 通过类名定位
find_element_by_tag_name() # 通过元素TagName定位
find_element_by_link_text() # 通过文本内容定位
find_element_by_partial_link_text()
find_element_by_xpath() # 通过Xpath语法定位
find_element_by_css_selector() # 通过选择器定位
注意
1、find_element_by_xxx找的是第一个符合条件的标签，find_elements_by_xxx找的是所有符合条件的标签。
2、根据ID、CSS选择器和XPath获取，它们返回的结果完全一致。
3、另外，Selenium还提供了通用方法find_element()，它需要传入两个参数：查找方式By和值。实际上，它就是find_element_by_id()这种方法的通用函数版本，比如find_element_by_id(id)就等价于find_element(By.ID, id)，二者得到的结果完全一致。
六、节点交互
Selenium可以驱动浏览器来执行一些操作，也就是说可以让浏览器模拟执行一些动作。比较常见的用法有：输入文字时用send_keys()方法，清空文字时用clear()方法，点击按钮时用click()方法。示例如下：
from selenium import webdriver import time browser = webdriver.Chrome() browser.get('https://www.taobao.com') input = browser.find_element_by_id('q') input.send_keys('MAC') # 输入框接收内容 time.sleep(1)
input.clear() # 清空输入框 input.send_keys('IPhone') button = browser.find_element_by_class_name('btn-search') button.click() # 点击按钮 browser.quit()
七、动作链
在上面的实例中，一些交互动作都是针对某个节点执行的。比如，对于输入框，我们就调用它的输入文字和清空文字方法；对于按钮，就调用它的点击方法。其实，还有另外一些操作，它们没有特定的执行对象，比如鼠标拖曳、键盘按键等，这些动作用另一种方式来执行，那就是动作链。
比如，现在实现一个节点的拖曳操作，将某个节点从一处拖曳到另外一处，可以这样实现：
from selenium import webdriver from selenium.webdriver import ActionChains from time import sleep # 创建一个浏览器对象 bro = webdriver.Chrome(executable_path="chromedriver.exe") # 发起url请求 bro.get("https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable") # 定位的标签是存在于iframe的子页面中，如果直接使用find做定位，是定位不到的 # 定位iframe中标签操作 # 第一步：定位到iframe标签位置 bro.switch_to.frame("iframeResult") # 第二步：通过ID定位到需要拖动的标签 target_ele = bro.find_element_by_id("draggable") # 创建一个拖动对象 action = ActionChains(bro) # 点击拖动对象并长按保持 action.click_and_hold(target_ele) # 模拟拖动5次，每次拖动17个像素点 for i in range(5): # 执行拖动动作 action.move_by_offset(17, 0).perform() # 每拖动17像素暂停5秒 sleep(2) # 释放拖动对象句柄 action.release() sleep(2) # 关闭浏览器 bro.quit()
八、执行JavaScript
对于某些操作，Selenium API并没有提供。比如，下拉进度条，它可以直接模拟运行JavaScript，此时使用execute_script()方法即可实现，代码如下：
from selenium import webdriver browser = webdriver.Chrome() browser.get('https://www.jd.com/')
# 滑动鼠标到下一屏 browser.execute_script('window.scrollTo(0, document.body.scrollHeight)') # 竖直滑动，scrollHeight一屏高度 browser.execute_script('alert("123")') # js代码，提示框
九、获取页面源码数据
通过page_source属性可以获取网页的源代码，接着就可以使用解析库（如正则表达式、Beautiful Soup、pyquery等）来提取信息了。
from selenium import webdriver from time import sleep # 创建一个浏览器对象 bro = webdriver.Chrome(executable_path="chromedriver.exe") # 发起url请求 bro.get("http://www.jd.com/") # 获取网页源码 page_text = bro.page_source with open("jd.html", "w", encoding="utf-8") as fp: fp.write(page_text) sleep(2) # 关闭浏览器 bro.quit()
十、前进和后退
#模拟浏览器的前进后退 import time from selenium import webdriver browser=webdriver.Chrome() browser.get('https://www.baidu.com') browser.get('https://www.taobao.com') browser.get('http://www.sina.com.cn/') browser.back() # 后退到前一个访问页面 time.sleep(10) browser.forward() # 前进到前一个访问页面 browser.close()
十一、标签属性
from selenium import webdriver # 创建chrome浏览器对象 bro = webdriver.Chrome(executable_path="chromedriver.exe") # 获取点击按钮的title属性的值 next_page = bro.find_element_by_id("pageIto_next").get_attribute("title")
十二、窗口句柄切换
# 获取所有窗口句柄 all_h = dri.window_handles print(all_h) # 切换最后窗口句柄 dri.switch_to.window(all_h[-1])
# 切换第一个窗口句柄
dri.switch_to.window(all_h[0])
# 查看当前窗口句柄 print(dri.current_window_handle)
十三、Cookie处理
使用Selenium，还可以方便地对Cookies进行操作，例如获取、添加、删除Cookies等。示例如下：
from selenium import webdriver browser = webdriver.Chrome() browser.get('https://www.zhihu.com/explore') print(browser.get_cookies()) # 获取当前cookie信息
# 添加cookie信息 browser.add_cookie({'name': 'name', 'domain': 'www.zhihu.com', 'value': 'germey'}) print(browser.get_cookies())
# 删除所有cookie信息 browser.delete_all_cookies() print(browser.get_cookies())
十四、异常处理
from selenium import webdriver from selenium.common.exceptions import TimeoutException,NoSuchElementException,NoSuchFrameException try: browser=webdriver.Chrome() browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable') browser.switch_to.frame('iframssseResult') except TimeoutException as e: print(e) except NoSuchFrameException as e: print(e) finally: browser.close()
十五、selenium规避被检测识别
现在不少大网站有对selenium采取了监测机制。比如正常情况下我们用浏览器访问淘宝等网站的 window.navigator.webdriver的值为
undefined。而使用selenium访问则该值为true。那么如何解决这个问题呢？
只需要设置Chromedriver的启动参数即可解决问题。在启动Chromedriver之前，为Chrome开启实验性功能参数excludeSwitches，它的值为['enable-automation']，完整代码如下：
from selenium.webdriver import Chrome from selenium.webdriver import ChromeOptions option = ChromeOptions() option.add_experimental_option('excludeSwitches', ['enable-automation']) driver = Chrome(options=option)
十六、项目实例(selenium站长素材高清图片下载)
from selenium import webdriver from time import sleep base_url = "http://sc.chinaz.com/tupian/weimeiyijingtupian.html" # 创建一个浏览器句柄对象 dri = webdriver.Chrome(executable_path="chromedriver.exe") # 跳转到指定url dri.get(base_url) # 点击跳转图片详情页 dri.find_element_by_xpath('//*[@id="container"]/div[1]/p/a').click() # 获取所有窗口句柄 all_h = dri.window_handles print(all_h) # 切换到新窗口句柄 dri.switch_to.window(all_h[1]) # 查看当前窗口句柄 print(dri.current_window_handle) sleep(2) # 点击下载图片(方式一) # btn = dri.find_element_by_xpath('/html/body/div[7]/div[5]/div[1]/div[6]/div[2]/div[1]/div/div[3]/a[2]') # btn.click() # xpath获取所有满足条件的结果，返回一个复数形式(列表)方式二 # btn = dri.find_elements_by_xpath('/html/body/div[5]/div[5]/div[1]/div[6]/div[2]/div[1]/div/div[3]/a[1]') # print(btn) # 网速慢可能拿不到结果，可以做异常捕获 # btn[0].click() # 通过文本信息定位(方式三) dri.find_element_by_link_text("广东电信下载").click() sleep(1) # 退出浏览器
十七、项目实例(selenium药监局企业名称获取)
from selenium import webdriver from time import sleep import requests # ajax请求post获取企业详细内容 detail_url = "http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsList" headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3573.0 Safari/537.36" } # 创建chrome浏览器对象 bro = webdriver.Chrome(executable_path="chromedriver.exe") # 请求url，请求药监局主页面 bro.get("http://125.35.6.84:81/xk/") # 定义一个列表：存放所有企业名 title_list = [] # 获取当前页的所有公司的名字 def get_company_title(json_data): data_list = json_data["list"] for data in data_list: title = data['EPS_NAME'] title_list.append(title) return title_list # 初始psge=1 获取第一页内容 page = 1 # post请求参数 def get_data(page): data = { 'on': 'true', 'page': page, 'pageSize': '15', 'productName': '', 'conditionType': '1', 'applyname': '', 'applysn': '', } return data # 请求首页信息 page_text = requests.post(url=detail_url, data=get_data(page), headers=headers).json() # 首页的公司名字 get_company_title(page_text) print("获取第1页数据！！！") # 循环获取其他页信息 for page in range(10): # 定位到点击下一页按钮 next_btn = bro.find_element_by_id("pageIto_next") # 点击下一页 next_btn.click() # 延时2秒 sleep(2) # 获取点击按钮的title值 next_page = bro.find_element_by_id("pageIto_next").get_attribute("title") page_text = requests.post(url=detail_url, data=get_data(next_page), headers=headers).json() get_company_title(page_text) print("获取第{}页数据！！！".format(next_page)) # 打印获取的所有企业名字信息 print(title_list) sleep(2) # 关闭浏览器 bro.quit()
十八、selenium模拟登录qq空间，爬取数据
import requests from selenium import webdriver from lxml import etree import time driver = webdriver.Chrome(executable_path='/Users/bobo/Desktop/chromedriver') driver.get('https://qzone.qq.com/') #在web 应用中经常会遇到frame 嵌套页面的应用，使用WebDriver 每次只能在一个页面上识别元素，对于frame 嵌套内的页面上的元素，直接定位是定位是定位不到的。
这个时候就需要通过switch_to_frame()方法将当前定位的主体切换了frame 里。 driver.switch_to.frame('login_frame') #login_frame 是ID值 driver.find_element_by_id('switcher_plogin').click() #driver.find_element_by_id('u').clear() driver.find_element_by_id('u').send_keys('328410948') #这里填写你的QQ号 #driver.find_element_by_id('p').clear() driver.find_element_by_id('p').send_keys('xxxxxx') #这里填写你的QQ密码 driver.find_element_by_id('login_button').click() time.sleep(2) driver.execute_script('window.scrollTo(0,document.body.scrollHeight)') time.sleep(2) driver.execute_script('window.scrollTo(0,document.body.scrollHeight)') time.sleep(2) driver.execute_script('window.scrollTo(0,document.body.scrollHeight)') time.sleep(2) page_text = driver.page_source tree = etree.HTML(page_text) #执行解析操作 li_list = tree.xpath('//ul[@id="feed_friend_list"]/li') for li in li_list: text_list = li.xpath('.//div[@class="f-info"]//text()|.//div[@class="f-info qz_info_cut"]//text()') text = ''.join(text_list) print(text+'\n\n\n') driver.close()
https://www.cnblogs.com/WiseAdministrator/
